期权交易成本为何可能低于中点法估计？¶

一句话结论：当交易者选择有利时机成交，quote midpoint 不一定是恰当的 fair-value 基准，传统 effective spread 可能高估其成本；但这不意味着可以把 backtest 的成交价格、滑点或手续费直接打折。

来源与版本¶

Dmitriy Muravyev、Neil D. Pearson（2020），Options Trading Costs Are Lower than You Think，The Review of Financial Studies 33(11)，4973–5014。
DOI · 出版社条目
首次在线发表：2020-02-10；纸本卷期：2020 年 11 月。因此进入 2020 Q1，不是 2020 Q4，也不是本次阅读所在的 2026 年季度。
本次核读：42 页正式发表版，包括 title、abstract、正文、Tables 1–10、文内 Appendix A.1–A.3 和参考文献；未取得单独的 Internet Appendix。
peer_reviewed 是出版状态，read 是本站来源核读状态；两者都不代表已经独立复现。

研究问题与样本¶

如果期权 quoted spreads 很宽，为什么仍有大量交易？作者提出：交易者并非随机时刻 crossing spread，而可能在 fair value 接近买入 ask 或卖出 bid 时执行，导致以当前 midpoint 衡量的成本偏高。

§1（4978–4981 页）的主要样本是 2004-01 至 2015-12 的 S&P 500 成分股期权，使用 Nanex 的 OPRA 成交与一分钟报价、SIP 标的报价，并连接 CRSP。过滤后有 620,916,282 笔交易、1,242,893 个 stock-days。报价只是每分钟 snapshot，不是完整 tick-by-tick 订单簿；数据只保留当日有成交的合约，排除了价格过低、方向不明、预测缺失或异常的交易，以及开收盘各五分钟。

这里研究的是股票的期权，不是 SPX 指数期权或现代 0DTE 市场。

方法：更换估值基准，不是改写成交价¶

令 \(p_i\) 是实际成交价，\(m_i\) 是成交前 midpoint，\(B_i=+1/-1\) 分别表示买入/卖出。传统与调整后的 relative effective half-spread 为：

\[ ES_i=\frac{(p_i-m_i)B_i}{m_i}, \qquad AdjES_i=\frac{(p_i-\widehat V_i)B_i}{m_i}. \]

两者的差是相对于模型 fair value 的 execution-timing benefit：

\[ ET_i=\frac{(\widehat V_i-m_i)B_i}{m_i}. \]

作者以预测的十分钟后 midpoint 作为 \(\widehat V_i\) 的代理。预测变量包括过去 30 分钟 IV 经 BSM 映射得到的当前价格与 midpoint 的差、滞后股票/期权价格变化，以及各交易所报价是否位于 NBBO（§§2.1–2.2，4983–4989 页）。它不是不可观测“真价格”已被直接测得。

必须区分两套实验：

主要成本估计使用逐合约、逐交易日的报价回归，不能默认其系数在当天每个成交时刻已可得。
Table 4 另用上个月估计并聚合的系数预测下个月，两个模型的平均 OOS \(R^2\) 为 5.5% 和 7.0%。这检验价格预测，不是执行成本或策略收益的独立 OOS 验证。

作者报告的成本差异¶

Table 5（4997 页）报告以下 stock-day 平均值；百分比的分母是成交前期权 midpoint，不是标的价格、保证金或账户资本。

half-spread 口径	midpoint 的百分比	美分/股
Quoted	8.6%	12.9
Conventional effective	6.8%	9.7
Adjusted，包含全部交易者	5.0%	6.8
Algo，推断的 execution timers	2.5%	2.8

调整后总体成本比传统估计低约四分之一；timers 的估计更低。但 algo half-spread 是潜在群体的推断值，不是逐账户观测成本。作者先假设未择时交易的 \(ET\) 条件均值及中位数为零、择时交易具有正 timing，再用

\[ q=1-2\Pr(ET<0), \qquad AlgoES=\frac{AdjES-(1-q)ES}{q} \]

估计群体占比与成本，得到平均 timing share 38.2%（§3.1，4994–4996 页；Appendix，5010–5012 页）。这不是识别出了 38.2% 的真实机器人账户；均值条件、中位数条件和群体成本假设不能省略。

Table 8（5002 页）还把传统十分钟价格冲击的 1.526% 调整为 Model 2 下的 0.644%。这是模型扣除可预测价格变化后的统计量，不是通过随机实验识别出的订单因果冲击。

为什么不能直接用作 backtest 成本折扣¶

§5（5004–5008 页）以月度卖出接近平值 straddle 并持有到期为例，展示更换成本假设会改变收益判断。但它没有模拟我们的订单等待、撤单、排队、容量和双腿联合成交。

成本来自进入日相近 delta、相近期限合约的已成交交易，不保证所选 straddle 当日有实际成交。
买卖方向、timing 和 trader type 都有推断成分；fair-value 误差若与方向相关，可能改变解释，这是本站的条件性方法判断。
只扣开仓 spread，不能代替 price impact、佣金、融资、指派、hedging 或其他账户成本。论文收益分母是初始 straddle premium，不是 margin 或 max loss。
Table 10 panel A 的收益扣减与所列成本统计未能逐项对齐；部分 high–low 辅助统计也不等于展示的端点之差。本站保留此报告疑点，不据此宣称精确复现或给出成本校准值。
同期样本中挑选收益预测变量、同日拟合的成本及旧市场环境，均不能因 Table 4 的预测测试而自动升级为独立 OOS 策略证据。

对研究工作的启发¶

这些是需要另行验证的建模建议，不是部署结论：

保留两个问题。 相对 fair value 的 execution quality 与相对实际成交价的现金 PnL 不同；调整 benchmark 不会增加已收到的权利金。
用当时可得的信息测试择时。 系数、IV、报价和信号都必须遵守 PIT；与立即成交比较时，应计入等待、错过交易和风险暴露。
在组合层验证。 单腿历史平均 half-spread 不能直接代表可执行 combo 报价或两腿同时成交的成本。

与知识库的连接¶

研究边界

本页是 AI 辅助的原创来源评读，未取得原始数据或完成独立复现；受限 PDF、抽取正文和图表只保存在本地，不随公开页面发布。